CN118261302A - 碳减排方案的生成方法、设备及存储介质 - Google Patents
碳减排方案的生成方法、设备及存储介质 Download PDFInfo
- Publication number
- CN118261302A CN118261302A CN202410544493.9A CN202410544493A CN118261302A CN 118261302 A CN118261302 A CN 118261302A CN 202410544493 A CN202410544493 A CN 202410544493A CN 118261302 A CN118261302 A CN 118261302A
- Authority
- CN
- China
- Prior art keywords
- emission reduction
- carbon emission
- data set
- large model
- target
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 532
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 title claims abstract description 529
- 230000009467 reduction Effects 0.000 title claims abstract description 501
- 238000000034 method Methods 0.000 title claims abstract description 65
- 238000003860 storage Methods 0.000 title claims abstract description 19
- 238000012549 training Methods 0.000 claims abstract description 84
- 238000011156 evaluation Methods 0.000 claims abstract description 67
- 238000005457 optimization Methods 0.000 claims abstract description 61
- 238000004458 analytical method Methods 0.000 claims abstract description 42
- 238000004590 computer program Methods 0.000 claims description 20
- 230000006870 function Effects 0.000 claims description 7
- 238000009472 formulation Methods 0.000 abstract description 4
- 239000000203 mixture Substances 0.000 abstract description 4
- 238000004891 communication Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000011161 development Methods 0.000 description 5
- 238000005265 energy consumption Methods 0.000 description 5
- 230000003993 interaction Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 3
- 238000004146 energy storage Methods 0.000 description 3
- 239000005431 greenhouse gas Substances 0.000 description 3
- 230000007774 longterm Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000007619 statistical method Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 235000002198 Annona diversifolia Nutrition 0.000 description 1
- 241000282842 Lama glama Species 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012983 electrochemical energy storage Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000008685 targeting Effects 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000010792 warming Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种碳减排方案的生成方法、设备及存储介质。该方法包括:获取碳减排***的样本数据集;样本数据集包括:碳减排业务数据集、碳减排策略数据集、特征分析数据集、评估优化数据集和碳减排模板数据集中的至少一个;根据样本数据集对预设大模型进行迭代训练,获得目标碳减排方案大模型;根据碳减排***的目标业务数据生成提示问题,将提示问题输入目标碳减排方案大模型,获得目标碳减排方案。本发明提供的碳减排方案的生成方法能够在各种复杂的碳减排场景下,基于碳减排方案大模型简单快速的生成匹配的碳减排方案,提高了碳减排方案制定的质量、速度和自动化程度。
Description
技术领域
本发明涉及人工智能技术领域,尤其涉及一种碳减排方案的生成方法、设备及存储介质。
背景技术
在全球气候变暖的背景下,实现降碳减耗是地球可持续发展的必然选择。为了加快降碳减耗的步伐,引导绿色技术创新,提高产业和经济的全球竞争力,需要为不同的企业、***和主体提供一个科学、严谨且可持续化发展的碳减排方案。
由于碳减排是一项长期且复杂的工作,并且在制定碳减排方案往往需要一企一策。传统的碳减排方案的制定主要还是依赖于专业技术人员的经验或者基于固定模板生成。人工制定碳减排方案制定周期长,质量参差不齐,人力成本高。基于固定模板的方案生成方法无法适应复杂的碳减排***,输出方案质量不高,同样无法满足项目需要。
发明内容
本发明提供了一种碳减排方案的生成方法、设备及存储介质,以解决传统的方案制定方法中无法满足碳减排***的需求的问题,提高碳减排方案制定的质量、速度和自动化程度。
根据本发明的一方面,提供了一种碳减排方案的生成方法,包括:
获取碳减排***的样本数据集;所述样本数据集包括:碳减排业务数据集、特征分析数据集、碳减排策略数据集、评估优化数据集和碳减排模板数据集中的至少一个;
根据所述样本数据集对预设大模型进行迭代训练,获得目标碳减排方案大模型;
根据所述碳减排***的目标业务数据生成提示问题,将所述提示问题输入目标碳减排方案大模型,获得目标碳减排方案。
根据本发明的另一方面,提供了一种电子设备,所述电子设备包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行本发明任一实施例所述的碳减排方案的生成方法。
根据本发明的另一方面,提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现本发明任一实施例所述的碳减排方案的生成方法。
本发明实施例的技术方案,通过获取碳减排***的样本数据集;样本数据集包括:碳减排业务数据集、特征分析数据集、碳减排策略数据集、评估优化数据集和碳减排模板数据集中的至少一个;根据样本数据集对预设大模型进行迭代训练,获得目标碳减排方案大模型;根据碳减排***的目标业务数据生成提示问题,将提示问题输入目标碳减排方案大模型,获得目标碳减排方案。通过碳减排业务数据集、特征分析数据集、碳减排策略数据集、评估优化数据集和碳减排模板数据集中的至少一个对大模型进行训练和调优获得碳减排方案大模型,能够在各种复杂的碳减排场景下,基于碳减排方案大模型简单快速的生成匹配的碳减排方案,解决了传统的方案制定方法中无法满足碳减排***的需求的问题,提高了碳减排方案制定的质量、速度和自动化程度,有利于碳减排目标的长期发展和广泛推广。
应当理解,本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征,也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例一提供的一种碳减排方案的生成方法的流程图;
图2是本发明实施例二提供的一种碳减排方案的生成方法的流程图;
图3是本发明实施例提供的一种碳减排方案的生成***的***框图;
图4是本发明实施例三提供的一种碳减排方案的生成方法的流程图;
图5是本发明实施例四提供的一种碳减排方案的生成装置的结构示意图;
图6是实现本发明实施例的碳减排方案的生成方法的电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例一
图1是本发明实施例一提供的一种碳减排方案的生成方法的流程图,本实施例可适用于为零碳***、虚拟电厂***、综合能源***和光储充***等***生成碳减排方案的情况,该方法可以由碳减排方案的生成装置来执行,该碳减排方案的生成装置可以采用硬件和/或软件的形式实现,该碳减排方案的生成装置可配置于电子设备中。如图1所示,该方法包括:
S110、获取碳减排***的样本数据集;样本数据集包括:碳减排业务数据集、特征分析数据集、碳减排策略数据集、评估优化数据集和碳减排模板数据集中的至少一个。
其中,碳减排***是指以碳减排为目标的***,例如可以包括:虚拟电厂***、综合能源***和光储充***等。样本数据集是指用于训练大模型的样本数据的集合。样本数据集可以包括:碳减排业务数据集、特征分析数据集、碳减排策略数据集、评估优化数据集和碳减排模板数据集中的至少一个。
碳减排业务数据集是指与碳减排业务相关的数据集,例如可以包括:用户需求数据、主体运营数据、***运行数据。用户需求数据包括用户对太极安排方案的核心诉求和目标,包括减碳要求(如减碳量、减碳比例、单位减碳、单位减碳比例等)、降耗要求(如降耗量、降耗比例、单位降耗、单位降耗比例等)、经济性要求(项目总投资、投资回报率、内部收益率和投资回报周期等)。主体运营数据包括:碳减排工作主体所属行业、能源消耗、能源价格、排放数据和生产工艺等;碳减排主体可以包括所有需要开展双碳工作的各级政府、各类组织、企业、家庭和个人等。***运行数据包括:***拓扑结构、***效率曲线(如发电的分布式光伏效率曲线、储能的电化学储能充放电效率、用电的高效机房效率曲线)、***最大容量和设备指标(如储能电池的总放电循环次数、生命周期、放电深度和充放电效率,储能变流器的充放电效率;水冷主机或者空气源热泵的实际能效比)。***运行数据可以使用各种数据采集工具和技术来收集数据,如:通过安装在双碳工作主体的关键设备和***上的IOT传感器(能量计量仪、气体传感器、温度传感器等)和API接口等,实时监测能源消耗、排放数据和生产工艺数据。通过用户调查、问卷调查、用户行为分析等方式来收集用户需求数据和主体运营数据。
特征分析数据集是由特征提取与分析方法构成的数据集。特征分析数据集具体可以包括:能源消耗模型分析方法:例如使用统计分析、数据挖掘、机器学习等方法来建立能源消耗模型,对能源消耗数据进行分析和预测并使用编程语言和相应的数据分析工具库进行模型建立和分析;温室气体排放模型分析方法:例如使用统计分析、回归分析、时序分析等方法来建立温室气体排放模型,对温室气体排放数据进行分析和预测并使用编程语言和相应的数据分析工具库进行模型建立和分析。能源效率模型分析方法:如使用统计分析、机器学习、优化方法等来建立能源效率模型,对能源效率数据进行分析和优化,并编程语言和相应的数据分析工具库进行模型建立和分析。
碳减排策略数据集是指与碳减排的方法和措施等相关的数据。例如碳减排措施的描述、实施情况、减排效果和经济性等信息。评估优化数据集是指用于对模型进行评估和优化的数据集。评估优化数据集可以来自于公司内部数据、行业报告和研究论文等,如技术评估数据(年减排量、生命周期累计减排量、年节能量和生命周期节能量等)、经济评估数据(投资回报率和内部收益率等)。碳减排模板数据集是指碳减排方案的模板的相关数据集。碳减排模板数据集可以来自于已有的方案数据、行业数据、专家知识等。
可以理解的是,上述数据集需要经过预处理(如数据清洗、去噪处理、缺失值处理、异常值处理等)、数据格式转换和数据标记等,确保数据的准确性、完整性和统一性,方便后续的分析和应用。
S120、根据样本数据集对预设大模型进行迭代训练,获得目标碳减排方案大模型。
其中,预设大模型是指待训练的基础大模型。在本实施例中,可以根据实际的需求选择合适的大语言模型作为预设大模型进行微调,例如BERT、GPT、Llama等。碳减排方案大模型是指训练完备的大模型,用于生成碳减排方案。
在本实施例中,将样本数据集输入预设大模型,根据预设大模型输出的结果和样本数据中的标记结果计算损失函数值,选择合适的优化算法(如梯度下降算法)最小化损失函数值,更新预设大模型的参数,直到获得目标碳减排大模型。
预设大模型具有的强大的表征能力和泛化能力的基础上,对预设大模型的模型参数进行微调,使训练得到的碳减排方案大模型能够更好地提供碳减排方案的生成能力。微调的方式可以采用Prefix Tuning、Prompt Tuning、P-tuning和P-Prompting v2.0等,以更好地捕捉任务的特定信息,提高模型的泛化能力。
另外,还可以使用验证数据集对碳减排方案大模型进行评估。可以通过将碳减排方案大模型预测的碳减排方案与专家知识、已有解决方案数据等进行比对,评估碳减排方案大模型的生成能力和准确性。如果碳减排方案大模型生成的碳减排方案不满足要求,可以进行进一步对碳减排方案大模型进行调整和优化。
S130、根据碳减排***的目标业务数据生成提示问题,将提示问题输入目标碳减排方案大模型,获得目标碳减排方案。
其中,目标业务数据是指具有碳减排计划的主体相关的任务数据。目标碳减排方案是指针对目标业务数据最终生成的碳减排方案。可选的,提示问题为结构化语言或者自然语言描述。
在本实施例中,获取碳减排***的目标业务数据,根据目标业务数据以及提示问题的格式要求生成提示问题,将提示问题输入训练完备的目标碳减排大模型中,获得碳减排方案大模型输出的目标碳减排方案。
本发明实施例的技术方案,通过获取碳减排***的样本数据集;样本数据集包括:碳减排业务数据集、特征分析数据集、碳减排策略数据集、评估优化数据集和碳减排模板数据集中的至少一个;根据样本数据集对预设大模型进行迭代训练,获得目标碳减排方案大模型;根据碳减排***的目标业务数据生成提示问题,将提示问题输入目标碳减排方案大模型,获得目标碳减排方案。通过碳减排业务数据集、特征分析数据集、碳减排策略数据集、评估优化数据集和碳减排模板数据集中的至少一个对大模型进行训练和调优获得碳减排方案大模型,能够在各种复杂的碳减排场景下,基于碳减排方案大模型简单快速的生成匹配的碳减排方案,提高了碳减排方案制定的质量、速度和自动化程度,有利于碳减排目标的长期发展和广泛推广。
实施例二
图2是本发明实施例二提供的一种碳减排方案的生成方法的流程图,本实施例在上述实施例的基础上,进一步限定根据所述样本数据集对预设大模型进行迭代训练,获得目标碳减排方案大模型,包括:根据所述碳减排业务数据集对所述预设大模型进行迭代训练,获得目标能碳特征大模型;根据所述碳减排策略数据集对所述目标能碳特征大模型进行迭代训练,获得目标碳减排特征大模型;根据所述评估优化数据集对所述目标碳减排特征大模型进行迭代训练,获得目标碳减排特征优化大模型;根据所述碳减排模板数据集对所述目标碳减排特征优化大模型进行迭代训练,获得目标碳减排方案大模型。
如图2所示,该方法包括:
S210、获取碳减排***的样本数据集;样本数据集包括:碳减排业务数据集、特征分析数据集、碳减排策略数据集、评估优化数据集和碳减排模板数据集中的至少一个。
S220、根据碳减排业务数据集和特征分析数据集对预设大模型进行迭代训练,获得目标能碳特征大模型。
其中,目标能碳特征大模型是指用于输出能碳特征的大模型。
在本实施例中,将碳减排业务数据集和特征分析数据集入预设大模型,对预设大模型进行训练和参数优化,使预设大模型具有能碳特征分析能力,从而获得目标能碳特征大模型。
在一个可选实施例中,根据碳减排业务数据集和特征分析数据集对预设大模型进行迭代训练,获得目标能碳特征大模型,包括:根据碳减排业务数据集和特征分析数据集对预设大模型进行迭代训练,获得初始能碳特征大模型;将碳减排***的历史碳减排业务数据和特征分析数据集输入所述初始能碳特征大模型,获得预测能碳特征;根据预测能碳特征,以及历史特征分析数据和历史碳减排业务数据对应的历史能碳特征计算第一评测指标值;若第一评测指标值未达到第一预设数值,则返回执行根据碳减排业务数据集和特征分析数据集对预设大模型进行迭代训练,获得初始能碳特征大模型;直到第一评测指标值达到第一预设数值,将初始能碳特征大模型确定为目标能碳特征大模型。其中,第一评测指标值可以为准确率、召回率或者F1分数(模型准确率和召回率的加权平均)。第一预设数值可以基于实际需求设定,本发明实施例对此不设限制。
S230、根据碳减排策略数据集对目标能碳特征大模型进行迭代训练,获得目标碳减排特征大模型。
其中,目标碳减排特征大模型是用于给出减碳降耗方法的大模型。
在本实施例中,将碳减排策略数据集输入目标能碳特征大模型,对目标能碳特征大模型进行训练和参数优化,使目标能碳特征大模型具有碳减排分析能力,从而获得目标碳减排特征大模型。
在一个可选实施例中,根据碳减排策略数据集对目标能碳特征大模型进行迭代训练,获得目标碳减排特征大模型,包括:根据碳减排策略数据集对目标能碳特征大模型进行迭代训练,获得初始碳减排特征大模型;将碳减排***的历史碳减排策略数据输入所述初始碳减排特征大模型,获得预测碳减排特征数据;根据预测碳减排特征数据和历史碳减排策略数据对应的历史碳减排特征数据计算第一评测指标值;若第一评测指标值未达到第一预设数值,则返回执行根据碳减排策略数据集对目标能碳特征大模型进行迭代训练,获得初始碳减排特征大模型;直到第一评测指标值达到第一预设数值,将初始碳减排特征大模型确定为目标碳减排特征大模型。
S240、根据评估优化数据集对目标碳减排特征大模型进行迭代训练,获得目标碳减排特征优化大模型。
其中,目标碳减排特征优化大模型是用于对目标碳减排特征大模型进行评估和优化后得到的大模型。
在本实施例中,将评估优化数据集输入目标碳减排特征大模型,对目标碳减排特征大模型进行训练和参数优化,使目标碳减排特征大模型的碳减排分析能力得到优化和提升,从而获得目标碳减排特征优化大模型。
在一个可选实施例中,根据评估优化数据集对目标碳减排特征大模型进行迭代训练,获得目标碳减排特征优化大模型,包括:根据评估优化数据集对目标碳减排特征大模型进行迭代训练,获得初始碳减排特征优化大模型;将碳减排***的历史评估优化数据输入所述初始碳减排特征优化大模型,获得预测碳减排优化特征数据;根据预测碳减排优化特征数据和历史评估优化数据对应的历史碳减排优化特征数据计算第一评测指标值;若第一评测指标值未达到第一预设数值,则返回执行根据评估优化数据集对目标碳减排特征大模型进行迭代训练,获得初始碳减排特征优化大模型;直到第一评测指标值达到第一预设数值,将初始碳减排特征大模型确定为目标碳减排特征优化大模型。
S250、根据碳减排模板数据集对目标碳减排特征优化大模型进行迭代训练,获得目标碳减排方案大模型。
在本实施例中,将碳减排模板数据集输入目标碳减排特征优化大模型,对目标碳减排特征优化大模型进行训练和参数优化,使目标碳减排特征优化大模型按照碳减排模板生成碳减排方案,从而获得目标碳减排方案大模型。
在一个可选实施例中,根据碳减排模板数据集对目标碳减排特征优化大模型进行迭代训练,获得目标碳减排方案大模型包括:根据碳减排模板数据集对目标碳减排特征优化大模型进行迭代训练,获得初始碳减排方案大模型;将碳减排***的历史碳减排模板数据输入所述初始碳减排方案大模型,获得预测碳减排方案;根据预测碳减排方案和历史碳减排模板数据对应的历史碳减排方案计算第一评测指标值;若第一评测指标值未达到第一预设数值,则返回执行根据碳减排模板数据集对目标碳减排特征优化大模型进行迭代训练,获得初始碳减排方案大模型;直到第一评测指标值达到第一预设数值,将初始碳减排方案大模型确定为目标碳减排方案大模型。
本发明实施例,在每个迭代训练得到初始大模型的阶段训练过程中,对训练得到的初始大模型进行评估和优化,能够保证大模型在各环节的学习能力,提升大模型的精度。
S260、根据碳减排***的目标业务数据生成提示问题,将提示问题输入目标碳减排方案大模型,获得目标碳减排方案。
本发明实施例的技术方案,通过获取碳减排***的样本数据集;样本数据集包括:碳减排业务数据集、特征分析数据集、碳减排策略数据集、评估优化数据集和碳减排模板数据集中的至少一个;根据碳减排业务数据集和特征分析数据集对预设大模型进行迭代训练,获得目标能碳特征大模型;根据碳减排策略数据集对目标能碳特征大模型进行迭代训练,获得目标碳减排特征大模型;根据评估优化数据集对目标碳减排特征大模型进行迭代训练,获得目标碳减排特征优化大模型;根据碳减排模板数据集对目标碳减排特征优化大模型进行迭代训练,获得目标碳减排方案大模型;根据碳减排***的目标业务数据生成提示问题,将提示问题输入目标碳减排方案大模型,获得目标碳减排方案。基于多种类型的数据集对预设大模型进行逐步的训练和优化,使大模型能够适应复杂多样的碳减排需求,更好地生成符合优化需求和报告需求的碳减排方案。
在一个可选实施例中,在根据碳减排***的目标业务数据生成提示问题,将提示问题输入目标碳减排方案大模型,获得目标碳减排方案之后,还包括:
S270、获取目标碳减排方案的用户满意度。
其中,用户满意度是指用户对目标碳减排方案大模型输出的目标碳减排方案的满意程度。用户满意度可以采用“非常满意”、“满意”、“一般”和“不满意”等级别表示,也可以采用1-10分的分数表示,分数越高表示满意程度越高。
示例性的,获取目标碳减排方案的用户满意度的方式可以是:在将目标碳减排方案输出到用户终端之后,通过用户交互界面获取用户满意度。
S280、若用户满意度大于或等于预设满意度,则输出目标碳减排方案。
S290、若用户满意度小于预设满意度,则更新碳减排***的样本数据集,并返回执行根据样本数据集对预设大模型进行训练,获得目标碳减排方案大模型。
其中,预设满意度可以实际需求设定,也可以根据用户的需求设置。
在本实施例中,若用户满足度小于预设满意度,表示目标碳减排方案大模型的方案制定能力无法满足用户的需求,此时需要对碳减排***的样本数据集进行更新,并返回执行根据样本数据集对预设大模型进行训练,从而采用更新后的样本数据集对预设大模型进行训练,使目标碳减排方案大模型得到进一步的优化。
可选的,更新碳减排***的样本数据集的方式包括:从数据库中重新获取数据集作为新的样本数据集;更新所述碳减排***的样本数据集还包括:根据所述样本数据集和对应的历史数据集之间的匹配度确定待更新样本数据集;对所述待更新样本数据集进行更新。
示例性的,计算样本数据集中的样本数据和历史数据集之间的匹配度,若匹配度低于预设匹配度的样本数据的集合确定为待更新样本数据集,对获取相同类型的样本数据对待更新数据集进行更新,以使样本数据集更贴近真实的碳减排任务,从而进一步提升目标碳减排方案大模型生成碳减排方***度。如,待更新数据集为碳减排业务数据集,则采用新的碳减排业务数据集对待更新数据集更新。
在一个具体的实施例中,图3是本发明实施例提供的一种碳减排方案的生成***的***框图。如图3所示,碳减排方案的生成***包括:用户交互模块310、数据采集模块320、碳减排方案大模型330、数据库340和方案输出模块350。碳减排方案的生成***通过数据库340和/或数据采集模块320获取数据样本集和目标业务数据,并将目标业务数据输入到碳减排方案大模型330。碳减排方案大模型330对目标业务数据进行处理,得到目标碳减排方案,并将目标碳减排方案通过方案输出模块350进行输出和显示。并且还可以通过用户交互模块310获取用户反馈信息或者向用户输出反馈信息。
实施例三
图4是本发明实施例三提供的一种碳减排方案的生成方法的流程图,本实施例在上述实施例的基础上,进一步限定根据所述样本数据集对预设大模型进行迭代训练,获得目标碳减排方案大模型,包括:根据所述样本数据集对所述预设大模型进行训练,获得初始碳减排方案大模型;将碳减排***的历史碳减排业务数据输入所述初始碳减排方案大模型,获得预测碳减排方案;根据所述预测碳减排方案和所述历史碳减排业务数据对应的历史碳减排方案计算第二评测指标值;若所述第二评测指标值未达到第二预设数值,则返回执行根据所述样本数据集对所述预设大模型进行训练,获得初始碳减排方案大模型;直到所述第二评测指标值达到第二预设数值,将所述初始碳减排方案大模型确定为目标碳减排方案大模型。
如图4所示,该方法包括:
S310、获取碳减排***的样本数据集;样本数据集包括:碳减排业务数据集、特征分析数据集、碳减排策略数据集、评估优化数据集和碳减排模板数据集中的至少一个。
S320、根据样本数据集对预设大模型进行训练,获得初始碳减排方案大模型。
S330、将碳减排***的历史碳减排业务数据和历史碳减排模板数据输入所述初始碳减排方案大模型,获得预测碳减排方案。
S340、根据预测碳减排方案和历史碳减排业务数据对应的历史碳减排方案计算第二评测指标值。
S350、若第二评测指标值未达到第二预设数值,则返回执行根据样本数据集对预设大模型进行训练,获得初始碳减排方案大模型。
S360、直到第二评测指标值达到第二预设数值,将初始碳减排方案大模型确定为目标碳减排方案大模型。
其中,第二评测指标值可以为准确率、召回率或者F1分数(模型准确率和召回率的加权平均)。第二预设数值可以基于实际需求设定,本发明实施例对此不设限制。
在本实施例中,在将碳减排业务数据集、特征分析数据集、碳减排策略数据集、评估优化数据集和碳减排模板数据集中的至少一个输入到预设大模型,对预设大模型训练得到初始碳减排方案大模型之后,获取碳减排***的历史碳减排业务数据和历史碳减排模板数据对应的历史碳减排方案,将历史碳减排业务数据和历史碳减排模板数据输入初始碳减排方案大模型获得预测碳减排方案。根据预测碳减排方案和历史碳减排方案计算第二评测指标值对初始碳减排方案大模型进行评估和优化,可以从整体上保证大模型在各环节的学习能力,提升大模型的精度。
在一个可选实施例中,根据所述样本数据集对所述预设大模型进行训练,获得初始碳减排方案大模型,包括:根据所述样本数据集生成碳减排方案问答对;所述碳减排方案问答对包括:碳减排提示问题和先验碳减排方案;将所述碳减排方案问答对输入所述预设大模型获得所述碳减排方案问答对的预测碳减排方案;根据所述预测碳减排方案和先验碳减排方案的损失函数,对所述预设大模型进行模型参数调整,获得初始碳减排方案大模型。
本发明实施例的技术方案,通过获取碳减排***的样本数据集;所述样本数据集包括:碳减排业务数据集、特征分析数据集、碳减排策略数据集、评估优化数据集和碳减排模板数据集中的至少一个;根据样本数据集对预设大模型进行训练,获得初始碳减排方案大模型;将碳减排***的历史碳减排业务数据和历史碳减排模板数据输入初始碳减排方案大模型,获得预测碳减排方案;根据预测碳减排方案和历史碳减排业务数据对应的历史碳减排方案计算第二评测指标值;若第二评测指标值未达到第二预设数值,则返回执行根据样本数据集对预设大模型进行训练,获得初始碳减排方案大模型;直到第二评测指标值达到第二预设数值,将初始碳减排方案大模型确定为目标碳减排方案大模型。基于多种类型的数据集对预设大模型进行评估和优化,使大模型能够适应复杂多样的碳减排需求,更好地生成符合优化需求和报告需求的碳减排方案。
实施例四
图5为本发明实施例四提供的一种碳减排方案的生成装置的结构示意图。如图5所示,该装置包括:数据获取模块410、模型训练模块420和方案生成模块430;其中,
数据获取模块410,用于获取碳减排***的样本数据集;所述样本数据集包括:碳减排业务数据集、特征分析数据集、碳减排策略数据集、评估优化数据集和碳减排模板数据集中的至少一个;
模型训练模块420,用于根据所述样本数据集对预设大模型进行迭代训练,获得目标碳减排方案大模型;
方案生成模块430,用于根据所述碳减排***的目标业务数据生成提示问题,将所述提示问题输入目标碳减排方案大模型,获得目标碳减排方案。
本发明实施例的技术方案,通过获取碳减排***的样本数据集;所述样本数据集包括:碳减排业务数据集、特征分析数据集、碳减排策略数据集、评估优化数据集和碳减排模板数据集中的至少一个;根据样本数据集对预设大模型进行迭代训练,获得目标碳减排方案大模型;根据碳减排***的目标业务数据生成提示问题,将提示问题输入目标碳减排方案大模型,获得目标碳减排方案。通过碳减排业务数据集、特征分析数据集、碳减排策略数据集、评估优化数据集和碳减排模板数据集中的至少一个对大模型进行训练和调优获得碳减排方案大模型,能够在各种复杂的碳减排场景下,基于碳减排方案大模型简单快速的生成匹配的碳减排方案,提高了碳减排方案制定的质量、速度和自动化程度,有利于碳减排目标的长期发展和广泛推广。
可选的,模型训练模块420,具体用于:
根据所述碳减排业务数据集和特征分析数据集对所述预设大模型进行迭代训练,获得目标能碳特征大模型;
根据所述碳减排策略数据集对所述目标能碳特征大模型进行迭代训练,获得目标碳减排特征大模型;
根据所述评估优化数据集对所述目标碳减排特征大模型进行迭代训练,获得目标碳减排特征优化大模型;
根据所述碳减排模板数据集对所述目标碳减排特征优化大模型进行迭代训练,获得目标碳减排方案大模型。
可选的,根据样本数据集对待训练大模型进行迭代训练,获得目标模型,包括:
根据样本数据集对待训练大模型进行迭代训练,获得初始模型;
将碳减排***的历史碳减排业务数据输入所述初始模型,获得预测碳减排方案;
根据所述预测碳减排方案和所述历史碳减排业务数据对应的历史碳减排方案计算第一评测指标值;
若所述第一评测指标值未达到第一预设数值,则返回执行根据样本数据集中的训练样本数据对待训练大模型进行迭代训练,获得初始模型;
直到所述第一评测指标值达到第一预设数值,将所述初始模型确定为目标模型;
其中,在所述待训练大模型为预设大模型的情况下,所述样本数据集包括:碳减排业务数据集和特征分析数据集,所述目标模型为目标能碳特征大模型;在所述待训练大模型为目标能碳特征大模型的情况下,所述样本数据集为碳减排策略数据集,所述目标模型为目标碳减排特征大模型;在所述待训练大模型为目标碳减排特征大模型的情况下,所述样本数据集为评估优化数据集,所述目标模型为目标碳减排特征优化大模型;在所述待训练大模型为目标碳减排特征优化大模型的情况下,所述样本数据集为碳减排模板数据集,所述目标模型为目标碳减排方案大模型。
可选的,模型训练模块420,包括:
初始训练单元,用于根据所述样本数据集对所述预设大模型进行训练,获得初始碳减排方案大模型;
预测单元,用于将碳减排***的历史碳减排业务数据和历史碳减排模板数据输入所述初始碳减排方案大模型,获得预测碳减排方案;
指标计算单元,用于根据所述预测碳减排方案和所述历史碳减排业务数据对应的历史碳减排方案计算第二评测指标值;
返回执行单元,用于若所述第二评测指标值未达到第二预设数值,则返回执行根据所述样本数据集对所述预设大模型进行训练,获得初始碳减排方案大模型;
模型确定单元,用于直到所述第二评测指标值达到第二预设数值,将所述初始碳减排方案大模型确定为目标碳减排方案大模型。
可选的,初始训练单元,具体用于:
根据所述样本数据集生成碳减排方案问答对;所述碳减排方案问答对包括:碳减排提示问题和先验碳减排方案;
将所述碳减排方案问答对输入所述预设大模型获得所述碳减排方案问答对的预测碳减排方案;
根据所述预测碳减排方案和先验碳减排方案的损失函数,对所述预设大模型进行模型参数调整,获得初始碳减排方案大模型。
可选的,在根据碳减排***的目标业务数据生成提示问题,将所述提示问题输入目标碳减排方案大模型,获得目标碳减排方案之后,还包括:
满意度获取模块,用于获取所述目标碳减排方案的用户满意度;
数据更新模块,用与若所述用户满意度小于预设满意度,则更新所述碳减排***的样本数据集,并返回执行根据所述样本数据集对预设大模型进行训练,获得目标碳减排方案大模型;
方案输出模块,用于若所述用户满意度大于或等于预设满意度,则输出所述目标碳减排方案。
可选的,数据更新模块,具体用于:
根据所述样本数据集和对应的历史数据集之间的匹配度确定待更新样本数据集;
对所述待更新样本数据集进行更新。
可选的,所述提示问题采用结构化数语言或者自然语言描述。
本发明实施例所提供的碳减排方案的生成装置可执行本发明任意实施例所提供的碳减排方案的生成方法,具备执行方法相应的功能模块和有益效果。
实施例五
图6示出了可以用来实施本发明的实施例的电子设备10的结构示意图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图6所示,电子设备10包括至少一个处理器11,以及与至少一个处理器11通信连接的存储器,如只读存储器(ROM)12、随机访问存储器(RAM)13等,其中,存储器存储有可被至少一个处理器执行的计算机程序,处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序,来执行各种适当的动作和处理。在RAM 13中,还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15,包括:输入单元16,例如键盘、鼠标等;输出单元17,例如各种类型的显示器、扬声器等;存储单元18,例如磁盘、光盘等;以及通信单元19,例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理,例如碳减排方案的生成方法。
在一些实施例中,碳减排方案的生成方法可被实现为计算机程序,其被有形地包含于计算机可读存储介质,例如存储单元18。在一些实施例中,计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时,可以执行上文描述的碳减排方案的生成方法的一个或多个步骤。备选地,在其他实施例中,处理器11可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行碳减排方案的生成方法。
本文中以上描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上***的***(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程***上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储***、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储***、该至少一个输入装置、和该至少一个输出装置。
在一些实施例中,碳减排方案的生成方法可被实现为计算机程序,其被无形地包含于计算机程序产品中,计算机程序在被处理器执行时实现本发明的碳减排方案的生成方法,计算机程序产品可以理解为主要通过计算机程序实现其解决方案的软件产品。用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器,使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中,计算机可读存储介质可以是有形的介质,其可以包含或存储以供指令执行***、装置或设备使用或与指令执行***、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体***、装置或设备,或者上述内容的任何合适组合。备选地,计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在电子设备上实施此处描述的***和技术,该电子设备具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的***和技术实施在包括后台部件的计算***(例如,作为数据服务器)、或者包括中间件部件的计算***(例如,应用服务器)、或者包括前端部件的计算***(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的***和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算***中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将***的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算***可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务中,存在的管理难度大,业务扩展性弱的缺陷。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本发明的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (10)
1.一种碳减排方案的生成方法,其特征在于,所述方法包括:
获取碳减排***的样本数据集;所述样本数据集包括:碳减排业务数据集、特征分析数据集、碳减排策略数据集、评估优化数据集和碳减排模板数据集中的至少一个;
根据所述样本数据集对预设大模型进行迭代训练,获得目标碳减排方案大模型;
根据所述碳减排***的目标业务数据生成提示问题,将所述提示问题输入目标碳减排方案大模型,获得目标碳减排方案。
2.根据权利要求1所述的方法,其特征在于,根据所述样本数据集对预设大模型进行迭代训练,获得目标碳减排方案大模型,包括:
根据所述碳减排业务数据集和特征分析数据集对所述预设大模型进行迭代训练,获得目标能碳特征大模型;
根据所述碳减排策略数据集对所述目标能碳特征大模型进行迭代训练,获得目标碳减排特征大模型;
根据所述评估优化数据集对所述目标碳减排特征大模型进行迭代训练,获得目标碳减排特征优化大模型;
根据所述碳减排模板数据集对所述目标碳减排特征优化大模型进行迭代训练,获得目标碳减排方案大模型。
3.根据权利要求2所述的方法,其特征在于,根据样本数据集对待训练大模型进行迭代训练,获得目标模型,包括:
根据样本数据集对待训练大模型进行迭代训练,获得初始模型;
将碳减排***的历史碳减排业务数据输入所述初始模型,获得预测碳减排方案;
根据所述预测碳减排方案和所述历史碳减排业务数据对应的历史碳减排方案计算第一评测指标值;
若所述第一评测指标值未达到第一预设数值,则返回执行根据样本数据集中的训练样本数据对待训练大模型进行迭代训练,获得初始模型;
直到所述第一评测指标值达到第一预设数值,将所述初始模型确定为目标模型;
其中,在所述待训练大模型为预设大模型的情况下,所述样本数据集包括:碳减排业务数据集和特征分析数据集,所述目标模型为目标能碳特征大模型;在所述待训练大模型为目标能碳特征大模型的情况下,所述样本数据集为碳减排策略数据集,所述目标模型为目标碳减排特征大模型;在所述待训练大模型为目标碳减排特征大模型的情况下,所述样本数据集为评估优化数据集,所述目标模型为目标碳减排特征优化大模型;在所述待训练大模型为目标碳减排特征优化大模型的情况下,所述样本数据集为碳减排模板数据集,所述目标模型为目标碳减排方案大模型。
4.根据权利要求1所述的方法,其特征在于,根据所述样本数据集对预设大模型进行迭代训练,获得目标碳减排方案大模型,包括:
根据所述样本数据集对所述预设大模型进行训练,获得初始碳减排方案大模型;
将碳减排***的历史碳减排业务数据和历史碳减排模板数据输入所述初始碳减排方案大模型,获得预测碳减排方案;
根据所述预测碳减排方案和所述历史碳减排业务数据对应的历史碳减排方案计算第二评测指标值;
若所述第二评测指标值未达到第二预设数值,则返回执行根据所述样本数据集对所述预设大模型进行训练,获得初始碳减排方案大模型;
直到所述第二评测指标值达到第二预设数值,将所述初始碳减排方案大模型确定为目标碳减排方案大模型。
5.根据权利要求4所述的方法,其特征在于,根据所述样本数据集对所述预设大模型进行训练,获得初始碳减排方案大模型,包括:
根据所述样本数据集生成碳减排方案问答对;所述碳减排方案问答对包括:碳减排提示问题和先验碳减排方案;
将所述碳减排方案问答对输入所述预设大模型获得所述碳减排方案问答对的预测碳减排方案;
根据所述预测碳减排方案和先验碳减排方案的损失函数,对所述预设大模型进行模型参数调整,获得初始碳减排方案大模型。
6.根据权利要求1所述的方法,其特征在于,在根据碳减排***的目标业务数据生成提示问题,将所述提示问题输入目标碳减排方案大模型,获得目标碳减排方案之后,还包括:
获取所述目标碳减排方案的用户满意度;
若所述用户满意度小于预设满意度,则更新所述碳减排***的样本数据集,并返回执行根据所述样本数据集对预设大模型进行训练,获得目标碳减排方案大模型;
若所述用户满意度大于或等于预设满意度,则输出所述目标碳减排方案。
7.根据权利要求6所述的方法,其特征在于,更新所述碳减排***的样本数据集包括:
根据所述样本数据集和对应的历史数据集之间的匹配度确定待更新样本数据集;
对所述待更新样本数据集进行更新。
8.根据权利要求1所述的方法,其特征在于,所述提示问题采用结构化数语言或者自然语言描述。
9.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-8中任一项所述的碳减排方案的生成方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现权利要求1-7中任一项所述的碳减排方案的生成方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410544493.9A CN118261302A (zh) | 2024-04-30 | 2024-04-30 | 碳减排方案的生成方法、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410544493.9A CN118261302A (zh) | 2024-04-30 | 2024-04-30 | 碳减排方案的生成方法、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118261302A true CN118261302A (zh) | 2024-06-28 |
Family
ID=91611437
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410544493.9A Pending CN118261302A (zh) | 2024-04-30 | 2024-04-30 | 碳减排方案的生成方法、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118261302A (zh) |
-
2024
- 2024-04-30 CN CN202410544493.9A patent/CN118261302A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112633316B (zh) | 一种基于边界估值理论的负荷预测方法和装置 | |
CN104865827B (zh) | 一种基于多工况模型的抽油机采油优化方法 | |
CN115423386A (zh) | 一种电力碳排放因子的确定方法、装置、设备及介质 | |
CN112257928A (zh) | 一种基于cnn和分位数回归的短期电力负荷概率预测方法 | |
CN116307215A (zh) | 一种电力***的负荷预测方法、装置、设备及存储介质 | |
CN104699890A (zh) | 一种城网配变重过载短期预警模型的建模方法 | |
Guo et al. | Power demand forecasting and application based on SVR | |
CN112528159B (zh) | 一种特征质量评估方法、装置、电子设备及存储介质 | |
CN113408808A (zh) | 训练方法、数据生成方法、装置、电子设备以及存储介质 | |
CN103885867A (zh) | 一种模拟电路性能的在线评价方法 | |
CN117332898A (zh) | 基于机器学习的新能源小时间尺度功率时序滚动预测方法 | |
CN116562156B (zh) | 一种控制决策模型的训练方法、装置、设备及存储介质 | |
CN115859808A (zh) | 一种泵组工作预测方法、装置、电子设备及存储介质 | |
CN118261302A (zh) | 碳减排方案的生成方法、设备及存储介质 | |
CN116050250A (zh) | 基于混合驱动模型的电网数字孪生模型建模方法及装置 | |
CN118261303A (zh) | 碳减排方案大模型的优化方法、设备及存储介质 | |
Karri | LSTM and SHAP for transparent and effective IoB systems in IoT environments: household power consumption | |
CN118261304A (zh) | 碳减排方案生成方法、装置、设备及存储介质 | |
Ramli | Macroeconomic Factors Affect the Electricity Consumption: A Case of ASEAN Countries | |
CN118261301A (zh) | 碳减排方案的生成方法、***、设备及存储介质 | |
CN116484237A (zh) | 一种电碳因子确定方法、装置、电子设备和存储介质 | |
CN117422259A (zh) | 一种分布式资源预测聚合方法、装置、设备及存储介质 | |
CN114742153A (zh) | 一种基于配电网一张图的用电行为分析方法 | |
Ji et al. | An Active Learning based Latency Prediction Approach for Neural Network Architecture | |
Tang et al. | A novel self-adaptive nonlinear discrete grey model based on non-homogeneous index sequence and its application |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination |